机器学习用于预测异构后造血细胞移植后的生存率:一个单一中心的经验
Hamed Shourabizadeh1, Dionne M Aleman1, Louis-Martin Rousseau2
1Department of Mechanical and Industrial Engineering, University of Toronto, Toronto, Ontario, Canada.
Acta haematologica
|September 28, 2023
概括
机器学习模型可以预测异性造血细胞移植 (HCT) 后的结果. 随机森林和物流回归算法使用移植前变量显示出强大的预后潜力.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 预测全源造血细胞移植 (HCT) 后的结果具有挑战性.
- 机器学习 (ML) 提供了在HCT中开发预测模型的潜力.
- 之前的研究已经探索了ML用于HCT结果预测.
研究的目的:
- 调查各种ML算法的预测能力.
- 将ML应用到一个大型的,单中心的异质性HCT数据库中.
- 确定影响HCT结果的关键移植前变量.
主要方法:
- 利用了2697名接受异构HCT (1976-2017) 的患者的注册表.
- 使用ML算法评估了45个移植前变量以获得预测准确性.
- 曲线下的使用面积 (AUC) 用于评估整体存活率 (OS) 预测.
- 使用EBMT ML研究变量作为基准.
主要成果:
- 随机森林 (RF) 实现了最高的性能 (AUC 0.71 ± 0.04),超过了后勤回归 (LR) (AUC 0.69 ± 0.04).
- 使用所有45个变量的RF和LR模型都显示了与EBMT研究相比AUC的改善.
- 射频频率有效地将患者分为具有不同2年生存期的预后组.
- 确定了重要的预后变量,包括供体类型,TBI剂量,受体年龄,基线Hb和FEV1.1.
结论:
- 多种ML技术显示出分析HCT数据的前景.
- ML可以在HCT中识别具有显著预后潜力的变量.
- 需要进一步调查单中心HCT数据库中的ML.
